จำนวนเอเจนต์ไม่ใช่คำตอบของทุกงาน
AI Agent คือระบบปัญญาประดิษฐ์ที่รับเป้าหมาย เลือกใช้เครื่องมือและข้อมูลตามบริบท แล้วทำงานต่อเนื่องจนได้ผลลัพธ์ โดยอาจทำงานลำพังหรือแบ่งงานกับเอเจนต์อื่นก็ได้ จุดสำคัญจึงไม่ใช่การมีสมาชิกมากที่สุด แต่เป็นการจัดสถาปัตยกรรมให้เหมาะกับงานและวัดผลได้ เมื่อวันที่ 22 ต.ค. 2026 Anthropic เสนอให้พิจารณารวม subagent กลับเข้า agent loop เดียว พร้อมโหลดทักษะและเครื่องมือเมื่อจำเป็น แทนการสร้างเอเจนต์ตามแผนกหรือประเภทงานที่แบ่งไว้ล่วงหน้า เหตุผลคือโมเดลรุ่นใหม่ทำงานหลายขั้นในลูปเดียวได้มากกว่าที่หลายทีมคาด และการส่งงานระหว่างเอเจนต์อาจทำให้ข้อมูลสำคัญหายไปในบทสรุป Anthropic ยังรายงานว่าลูกค้ารายหนึ่งทำงานเร็วขึ้นราวสองเท่าหลังเปลี่ยนจากระบบหลายเอเจนต์เป็นลูปเดียว แต่ตัวเลขนี้มาจากลูกค้ารายเดียวที่ไม่เปิดเผยชื่อ จึงควรมองเป็นสัญญาณ ไม่ใช่ข้อพิสูจน์ที่ใช้ได้กับทุกระบบ
โครงสร้างที่ซับซ้อนอาจสร้างภาระมากกว่าความสามารถ
ในช่วงที่ผ่านมา รูปแบบ orchestrator ควบคุม subagent เฉพาะทางกลายเป็นแนวทางที่พบได้บ่อยใน AI Agent ระดับองค์กร แต่การแบ่งตามโครงสร้างทีมอาจพาระบบไปสู่เอเจนต์ซ้ำซ้อน คำสั่งใน system prompt ที่ขัดกัน และการประเมินผลที่แยกส่วน เมื่อเอเจนต์ส่งงานต่อ ข้อมูลยังถูกย่อจนบริบทบางอย่างตกหล่นได้ ข้อเสนอของ Anthropic คือเริ่มจาก system prompt ที่ชัดเจน เครื่องมือข้อมูลขนาดกะทัดรัด และข้อกำกับผลลัพธ์ที่เข้มงวด พร้อมโหลดทักษะหรือเครื่องมือเฉพาะเมื่อมีความจำเป็น สำหรับทีมที่ใช้ Claude Code ชุดเครื่องมือที่เผยแพร่ช่วยตรวจระบบและประเมิน subagent ทีละตัวว่าจะรวมเข้ากับลูปหลัก เปลี่ยนเป็นเครื่องมือ หรือคงไว้ โดยวัดผลก่อนและหลังการเปลี่ยนแปลง ทั้งนี้ไม่ได้หมายความว่าควรยุบทุกอย่าง หากงานแยกขนานกันได้จริงหรือบริบทของลูปเดียวเริ่มทำให้ผลลัพธ์แย่ลง subagent ก็ยังมีเหตุผลให้ใช้
Agensh แสดงข้อดีของการแบ่งงาน แต่ยังตอบเรื่องต้นทุนไม่ได้
สองวันหลังข้อเสนอของ Anthropic Microsoft Research เปิดซอร์ส Agensh ซึ่งเป็นระบบ Multi-Agent ที่ไม่มีตัวกลางคอยแจกงาน เอเจนต์ใช้คำสั่งตั้งต้นเดียวกัน แล้วค้นบริบท จองงานย่อย ลงมือ ตรวจผล และรวมงานเข้าด้วยกัน ทีมทดลองขยายระบบได้ถึง 1,024 เอเจนต์ และในโจทย์สร้าง pandoc ขึ้นใหม่ คะแนนผ่านการทดสอบเพิ่มจาก 33.89% เมื่อใช้เอเจนต์เดียว เป็น 50.94% ที่ 128 ตัว และ 55.06% ที่ 1,024 ตัว ผลนี้แสดงว่าการแบ่งงานอาจยกระดับคุณภาพในโจทย์ซับซ้อน แต่ผลตอบแทนไม่ได้เพิ่มตามจำนวนเอเจนต์อย่างตรงไปตรงมา คะแนนเฉลี่ยจากหนึ่งเป็นแปดตัวขยับเพียง 1.37 จุด และการเพิ่มจาก 128 เป็น 1,024 ตัวทำให้คะแนน pandoc เพิ่ม 4.12 จุดเท่านั้น งานวิจัยไม่ได้รายงานจำนวนโทเคนหรือค่าใช้จ่าย อีกทั้งไม่ได้เปรียบเทียบภายใต้งบประมวลผลที่เท่ากัน จึงยังสรุปไม่ได้ว่าคะแนนที่สูงขึ้นคุ้มกับทรัพยากรที่ใช้หรือไม่
เลือกจากผลประเมิน ไม่ใช่จากความรู้สึกว่าทีมใหญ่กว่า
บทเรียนจากผลที่ดูเหมือนสวนทางกันคือ ไม่มีสถาปัตยกรรมใดชนะทุกงาน Anthropic เน้นคุณภาพ ความเร็ว และภาระจากการส่งต่องาน ส่วน Agensh แสดงว่าการประสานเอเจนต์จำนวนมากช่วยงานสร้างซอฟต์แวร์ที่ยากได้ แต่ผลทดสอบยังไม่บอกต้นทุนที่ต้องจ่าย ทีมจึงไม่ควรเลือกจากกระแสหรือจำนวนเอเจนต์ แต่ควรตั้งชุดทดสอบ AI Agent ที่สะท้อนงานจริงก่อนเปลี่ยนระบบ แนวทางที่รอบคอบคือเก็บผลฐานเดิม แล้วเปลี่ยนสถาปัตยกรรมทีละอย่าง วัดคุณภาพ ความเร็ว และต้นทุนทั้งก่อนและหลัง หากยังไม่มีชุดประเมิน ให้กำหนดตัวอย่างงานและเกณฑ์ว่าอะไรนับว่าสำเร็จ พร้อมทดลองซ้ำ เพราะคะแนนรวมอาจซ่อนงานที่ผลลัพธ์พลิกไปมาได้ สำหรับงานที่บริบทเชื่อมโยงกันสูง ลูปเดียวที่เรียกใช้ทักษะและเครื่องมือเมื่อจำเป็นมักเป็นจุดเริ่มต้นที่มีเหตุผล ส่วนระบบหลายเอเจนต์ควรเลือกเมื่อการทำงานขนานให้ประโยชน์ที่วัดได้จริง ข้อสรุปจึงเรียบง่าย: วัด เปลี่ยนทีละจุด แล้วคงไว้เฉพาะสิ่งที่พิสูจน์ได้ว่าใช้ได้ผล
